版本：
Python：3.6.4 与 2.7.3 均适配
一、hbase表介绍
- 表名：people
- 列族：basic_info、other_info
- rowkey：随机的两位数 + 当前时间戳，并要确保该rowkey在表数据中唯一。
- 列定义：name、age、sex、edu、tel、email、country。
二、实现
-
rowkey：
- 随机的两位数：使用random.randint(00, 99)，然后使用 zfill(2) 补位，比如数字“1”补位为”01”。
- 生成当前时间的13位时间戳：int(time.time())
- rowkey为 随机的两位数 与 时间戳 拼凑而成，并确保rowkey唯一。
-
name：
- 使用 string.capwords() 将字符串首字母大写，其余字母小写。
- 使用 random.sample() 截取指定位数的任意字符串 作为 name
-
age：
- random.randint(18, 60) ：18 ~ 60岁
-
sex：
- random.choice()
-
edu：
- random.choice()
-
telphone：
- random.choice() 与 random.sample() 的联合使用
-
email：
- random.sample() 与 random.choice() 的联合使用
-
country：
- random.choice()
三、代码
以下为 python 生成 hbase 测试数据的全部代码，generatedata.py 文件内容如下：
# -- coding: utf-8 --
###########################################
# rowkey：随机的两位数 + 当前时间戳，并要确保该rowkey在表数据中唯一。
# 列定义：name、age、sex、edu、tel、email、country。
# 0001,tom,17,man,,176xxxxxxxx,,China
# 0002,mary,23,woman,college,,cdsvo@163.com,Japan
# 0003,sam,18,man,middle,132xxxxxxxx,,America
# 0004,Sariel,26,,college,178xxxxxxxx,12345@126.com,China
###########################################
import
random
import
string
import
sys
# 大小写字母
alphabet_upper_list
=
string
.
ascii_uppercase
alphabet_lower_list
=
string
.
ascii_lowercase
# 随机生成指定位数的字符串
def
get_random
(
instr
,
length
)
:
# 从指定序列中随机获取指定长度的片段并组成数组，例如:['a', 't', 'f', 'v', 'y']
res
=
random
.
sample
(
instr
,
length
)
# 将数组内的元素组成字符串
result
=
''
.
join
(
res
)
return
result
# 创建名字
def
get_random_name
(
length
)
:
name
=
string
.
capwords
(
get_random
(
alphabet_lower_list
,
length
)
)
return
name
# 获取年龄
def
get_random_age
(
)
:
return
str
(
random
.
randint
(
18
,
60
)
)
# 获取性别
def
get_random_sex
(
)
:
return
random
.
choice
(
[
"woman"
,
"man"
]
)
# 获取学历
def
get_random_edu
(
)
:
edu_list
=
[
"primary"
,
"middle"
,
"college"
,
"master"
,
"court academician"
]
return
random
.
choice
(
edu_list
)
# 获取电话号码
def
get_random_tel
(
)
:
pre_list
=
[
"130"
,
"131"
,
"132"
,
"133"
,
"134"
,
"135"
,
"136"
,
"137"
,
"138"
,
"139"
,
"147"
,
"150"
,
"151"
,
"152"
,
"153"
,
"155"
,
"156"
,
"157"
,
"158"
,
"159"
,
"186"
,
"187"
,
"188"
]
return
random
.
choice
(
pre_list
)
+
''
.
join
(
random
.
sample
(
'0123456789'
,
8
)
)
# 获取邮箱名
def
get_random_email
(
length
)
:
alphabet_list
=
alphabet_lower_list
+
alphabet_upper_list
email_list
=
[
"163.com"
,
"126.com"
,
"qq.com"
,
"gmail.com"
]
return
get_random
(
alphabet_list
,
length
)
+
"@"
+
random
.
choice
(
email_list
)
# 获取国籍
def
get_random_country
(
)
:
country_list
=
[
"Afghanistan"
,
"Anguilla"
,
"Australie"
,
"Barbados"
,
"China"
,
"Brisil"
,
"Colombie"
,
"France"
,
"Irlande"
,
"Russie"
,
"Suisse"
,
"America"
,
"Zaire"
,
"Vanuatu"
,
"Turquie"
,
"Togo"
,
"Suisse"
,
"Sri Lanka"
,
"Porto Rico"
,
"Pirou"
]
return
random
.
choice
(
country_list
)
# 放置生成的并且不存在的rowkey
rowkey_tmp_list
=
[
]
# 制作rowkey
def
get_random_rowkey
(
)
:
import
time
pre_rowkey
=
""
while
True
:
# 获取00~99的两位数字，包含00与99
num
=
random
.
randint
(
00
,
99
)
# 获取当前10位的时间戳
timestamp
=
int
(
time
.
time
(
)
)
# str(num).zfill(2)为字符串不满足2位，自动将该字符串补0
pre_rowkey
=
str
(
num
)
.
zfill
(
2
)
+
str
(
timestamp
)
if
pre_rowkey
not
in
rowkey_tmp_list
:
rowkey_tmp_list
.
append
(
pre_rowkey
)
break
return
pre_rowkey
# 生成一条数据
def
get_random_record
(
)
:
return
get_random_rowkey
(
)
+
","
+
get_random_name
(
5
)
+
","
+
get_random_age
(
)
+
","
+
get_random_sex
(
)
+
","
+
get_random_edu
(
)
+
","
+
get_random_tel
(
)
+
","
+
get_random_email
(
10
)
+
","
+
get_random_country
(
)
# 将记录写到文本中
def
write_record_to_file
(
)
:
# 覆盖文件内容，重新写入
f
=
open
(
sys
.
argv
[
1
]
,
'w'
)
i
=
0
while
i
<
int
(
sys
.
argv
[
2
]
)
:
record
=
get_random_record
(
)
f
.
write
(
record
)
# 换行写入
f
.
write
(
'\n'
)
i
+=
1
print
(
"完成{0}条数据存储"
.
format
(
i
)
)
f
.
close
(
)
if
__name__
==
"__main__"
:
write_record_to_file
(
)
输出 100000 条数据到 /tmp/hbase_data.txt 文件中，执行以下命令：
python generatedata.py /tmp/hbase_data.txt 100000
参数解释：
- 要执行的 python 文件：generatedata.py
- 文件输出路径：/tmp/hbase_data.txt
- 100000：要生成数据的总数量
为避免数据过大导致热点和数据倾斜问题，预先设置 HBase 表为10个 Region，对应表的创建命令为：
create
'default:people'
,
{
NAME
=
>
'basic_info'
}
,
{
NAME
=
>
'other_info'
}
, SPLITS
=
>
[
'10|'
,
'20|'
,
'30|'
,
'40|'
,
'50|'
,
'60|'
,
'70|'
,
'80|'
,
'90|'
]
接下来我们可以利用这份测试数据对 HBase 相关功能进行测试与练习。
